用于干扰源调度检测及噪声和干扰源参数估计的方法和设备

摘要

一种用于估计噪声和干扰源参数的方法包括接收包括噪声和干扰信号贡献的信号。基于所述信号生成噪声和干扰功率样本。将噪声和干扰功率样本量化到多个量化水平中。针对观察周期期间的每一个量化水平累积噪声和干扰功率样本的出现。基于观察周期期间每个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数。

说明书

技术领域

本发明涉及无线电通信的领域，并且更特别地涉及检测干扰调度和基于根据诸如例如3GPP长期演进之类的移动通信标准在移动网络中接收的无线电信号估计干扰信号的参数的技术。

背景技术

现代蜂窝网络所面对的挑战是对于高速数据和媒体传输的要求正在急剧增加。网络运营商需要修改其网络以增加总体容量。一个解决方案可以是将较密集的宏小区置于同构网络中。然而，这种解决方案可能非常昂贵并且可能要求迅速移动的用户非常频繁地执行移交。另一解决方案可以是异构网络。一个宏小区可以用于覆盖较大区域并且小（例如微微或毫微微）小区可以被置于覆盖区域中以增加在一些“热点”处的容量。在同构和异构网络二者中，用户设备（UE）在具有多个干扰小区的动态场景中进行操作，所述多个干扰小区可以在短时间的基础上被调度。干扰检测和参数估计对于诸如例如信道估计、检测和CQI（信道指令指示符）反馈之类的关键UE功能的正确运转是至关重要的。

附图说明

附图被包括以提供各方面的进一步理解并且被并入和构成本说明书的一部分。附图图示了各方面并且连同该描述用于解释各方面的原理。其它方面和各方面的许多预期优点将容易领会，因为通过参考以下详细描述，它们变得更好理解。相同的参考标记指代对应的类似部分。

图1是根据干扰场景的包括宏小区和微微小区的网络的示意图。

图2是图示了在具有以对数尺度（以dB为单位）的K=3噪声和干扰来源的干扰场景中经历的真实噪声和干扰功率分布图的概率密度函数的图。

图3A是图示了调度到第一干扰源（interferer）的资源块、调度到第二干扰源的资源块和未调度的资源块的以时间-频率表示的物理信道资源的调度模式的示意图。

图3B是图示了作为示例的LTE物理资源块（PBR）的以时间-频率表示的资源块的示意图。

图4是图示了用于使用直方图分析来估计噪声和干扰源参数的设备的示例性实现的框图。

图5是图示了在观察周期内在传入的噪声和干扰功率样本上生成的直方图和分析直方图以获得（初步）干扰源参数的方法的图。

图6是图示了图5的直方图和基于初步干扰源参数再分析直方图以获得噪声和干扰源参数的方法的图。

图7是图示了用于使用直方图分析和参数追踪来估计噪声和干扰源参数的设备的示例性实现的框图。

图8是图示了用于使用直方图分析、可选的参数追踪和干扰调度检测来估计噪声和干扰源参数的设备的示例性实现的框图。

图9是图示了用于使用直方图分析、参数追踪和干扰调度检测来估计噪声和干扰源参数的设备的示例性实现的框图。

图10是使用在用于估计噪声和干扰源参数的设备中的示例性估计器的框图。

图11是图示了使用直方图分析来估计噪声和干扰源参数的示例性方法的流程图。

具体实施方式

在下文中，参考附图描述实施例，其中自始至终相同参考标记一般用于指相同的元素。在以下描述中，出于解释的目的，阐述众多特定细节以便提供实施例的一个或多个方面的透彻理解。然而，对本领域技术人员显而易见的是，实施例的一个或多个方面可以以较低程度的这些特定细节来实践。因此不以限制性含义来考虑以下描述，并且保护范围由随附的权利要求限定。

所归纳的各方面可以以各种形式体现。以下描述通过说明的方式示出其中可以实践各方面的各种组合和配置。要理解的是，所描述的方面和/或实施例仅仅是示例，并且可以利用其它方面和/或实施例，并且可以做出结构和功能上的修改而不脱离于本公开的范围。此外，虽然可能关于若干实现中的仅一个而公开实施例的特定特征或方面，但是这样的特征或方面可以如可能期望地并且对于任何给定或特定应用而言有利地与其它实现的一个或多个其它特征或方面组合。

本文所描述的方法和设备涉及干扰场景检测和/或噪声和干扰源参数估计。要理解的是，结合所描述的方法做出的注释也可以适用于被配置成执行方法的对应设备电路并且反之亦然。例如，如果描述了特定方法步骤或过程，则对应设备可以包括执行所描述的方法步骤或过程的单元，即使这样的单元未被明确描述或者未在图中有所图示。

本文所描述的方法和设备可以实现在无线通信网络中，特别是基于诸如例如LTE（长期演进）和/或OFDM（正交频分多址）之类的移动通信标准或诸如例如GSM/EDGE（用于移动通信的全球系统/用于GSM演进的增强数据速率）标准和/或UMTS/HSPA（全球移动电信系统/高速分组接入）标准或其派生物之类的标准的通信网络。以下描述的方法和设备还可以实现在移动设备（或移动站或用户设备（UE））中或在基站（也称为NodeB、eNodeB）中。

本文所描述的方法和设备可以被配置成发射和/或接收无线电信号。无线电信号可以是由无线电发射设备（或无线电发射器或发送器）利用处于例如大约3 Hz到300 GHz的范围中的射频辐射的射频信号。

此后所描述的方法和设备可以依照诸如例如LTE之类的移动通信标准来设计。作为4G LTE销售的LTE是用于针对移动电话和数据终端的高速数据的无线通信的标准。它基于GSM/EDGE和UMTS/HSPA网络技术，使用不同的无线电接口连同核心网络改进来增加容量和速度。该标准通过3GPP（第三代合作伙伴计划）开发并且在其版本8文档系列中规定，其中目前在版本9、10和11中描述了增强。

此后所描述的方法和设备可以应用在OFDM系统中。OFDM是用于在多个载波频率上对数字信号进行编码的方案。OFDM已经发展成为使用在诸如数字电视和音频广播、DSL宽带互联网接入、无线网络和4G移动通信之类的应用中的用于宽带数字通信的大众方案，无论是无线还是通过铜线。OFDM是用作数字多载波调制方法的频分复用（FDM）方案。大量紧密间隔的正交子载波信号可以用于承载数据。正交性可以防止子载波之间的串扰。数据可以被划分成若干并行数据流或信道，每一个子载波一个。每一个子载波可以利用常规调制方案（诸如正交幅度调制或相移键控）以低符号率进行调制，从而维持类似于相同带宽中的常规单载波调制方案的总数据速率。OFDM可以本质上等同于编码OFDM（COFDM）和离散多音调制（DMT）。

此后所描述的方法和设备可以应用在多层同构或异构网络中。多层同构和异构网络（HetNet）可以例如用在LTE和高级LTE标准中。HetNet可以用于构建不仅是单个类型的eNodeB（同构网络）而且部署具有不同能力的eNodeB的网络，最重要的是不同的Tx-功率类别。这些eNodeB可以通常被称为宏eNodeB（MeNB）或宏小区、微微eNodeB（PeNB）或微微小区和毫微微/家庭eNodeB（HeNB）或毫微微小区并且旨在分别用于基本室外、室外热区和室内/企业覆盖。可替换地，术语“小型小区”可以用作覆盖微微和毫微微小区的较宽泛的术语。

宏小区可以覆盖大的小区区域（典型的小区半径为500米到一千米的量级），其具有46 dBm（20瓦）的量级的杂波和发射功率以上的发射天线。它们可以向所有用户提供服务。也称为家庭eNodeB（HeNB）的毫微微小区可以是由最终消费者安装（典型地在室内）的较低功率小区。微微小区可以是运营商部署的小区，其具有相对于宏小区eNodeB的较低发射功率——典型地较小数量级。它们可以典型地安装在无线热点区域中（例如商场）并且向所有用户提供接入。在其中UE连接到微微小区的场景中，微微小区可以表示目标小区而宏小区可以表示提供强烈干扰的干扰小区。

此后所描述的方法和设备可以应用在eICIC（增强小区间干扰协调）系统。eICIC用在版本10 3GPP中以避免在下行链路的数据和控制信道二者上的严重小区间干扰。eICIC可以基于利用跨载波调度的载波聚合或基于使用所谓的近乎空白子帧（ABS）的TDM（时域复用）。

基于载波聚合的eICIC可以使得LTE-A UE能够同时连接到若干载波。这不仅允许跨载波的资源分配，还可以允许载波之间的基于调度器的快速切换而没有耗时的移交。HetNet场景中的简单原则可以是将可用频谱分成例如两个分离的分量载波并且向不同的网络层指派主分量载波（PCC）。主分量载波可以是向UE提供控制信息的小区。每一个网络层可以附加地在称为副分量载波（SCC）的其它CC上调度UE。

此后所描述的方法和设备可以应用在诸如IRC（干扰抑制组合）接收器之类的干扰感知接收器。IRC是可以用在天线分集系统中以通过使用分集信道中的噪声之间的互协方差来抑制同信道干扰的技术。IRC可以用作增加其中小区重叠的区域中的上行链路比特率的高效替换方案。IRC接收器在改善小区边缘用户吞吐量方面可以是有效的，因为它可以抑制小区间干扰。IRC接收器可以典型地基于最小均方误差（MMSE）准则，其可能要求具有高精度的包括小区间干扰的信道估计和协方差矩阵估计。

此后所描述的方法和设备可以应用在MIMO（多输入多输出）系统中。MIMO无线通信系统在发射器处和在接收器处采用多个天线以增加系统容量和实现较好的服务质量。在空间复用模态中，MIMO系统可以通过在相同频带中并行发射多个数据流来达到较高峰值数据速率而不增加系统的带宽。MIMO检测器可以用于检测MIMO信道，其由发射器的相应天线与接收器的相应天线之间的信道矩阵来描述。

本公开给出了一种用于诸如例如LTE网络、特别是依照Rel-11+的高级LTE网络之类的同步移动网络中的干扰场景检测以及噪声和干扰源参数估计的方法。在LTE网络中相邻小区可能使用与服务小区相同的频带并且在小区边缘处的移动设备可能面临来自多个小区的强烈干扰。也就是说，在同构和异构网络中，移动设备操作在具有多个干扰小区的非常动态的场景中，所述多个干扰小区可能针对每个子帧或者甚至每个PRB（物理资源块）被调度。特别地，异构网络部署可能增加该问题，因为多个微微小区和/或毫微微小区可以被置于宏小区的覆盖区域内部。因此，噪声加干扰功率（和因此SINR（信号干扰噪声比））可以在例如每一个块边界处剧烈改变。干扰检测和干扰源参数估计可以因此对总体接收器性能和特别地，诸如例如信道估计、检测和CQI（信道质量指示符）反馈之类的关键接收器功能的正确运转至关重要。

虽然相关干扰源的数目可以在一些情况中对移动设备已知（例如借助于小区搜索或信令），但是干扰源调度模式以及噪声来源的噪声参数（例如噪声功率及其方差）和每一个（经调度的）干扰源信号的干扰源参数（例如干扰源功率及其方差）一般是未知的。因此，如本文所描述的干扰调度检测以及噪声和干扰源参数估计可以改善关于移动设备中的干扰场景的知识。

图1是包括宏小区101和微微小区103、105的异构网络100的示意图。微微小区103、105中的微微基站可以由相比于宏小区101中的宏基站的显著更低的发射功率来表征。由于两种类型的基站之中的发射功率水平之间的大差异，微微小区103、105的覆盖112、114显著小于如图1中所示的宏基站的覆盖110。宏小区101的较大覆盖110可以吸引更多UE 107、109朝向高功率宏eNodeB，尽管可能不存在足够的资源来高效地服务所有UE。同时，较小功率基站的资源可能保持利用不足。UE 107、109可以包括如以下所描述的干扰场景检测和/或干扰源参数估计。

图2图示了具有K=3噪声和干扰来源的典型干扰场景。也就是说，作为示例，描绘了噪声（概率密度函数（pdf）曲线201，平均功率μ₁ = -24 dB）、第一干扰源（pdf曲线202，平均功率μ₂ = -10 dB）和第二干扰源（pdf曲线203，平均功率μ₃ = +8 dB）的混合。另外，作为K噪声和干扰来源的概率密度函数的总和的总概率密度函数被描绘为图2中的“包络”pdf曲线210。

每一个噪声和干扰来源的概率密度函数（即pdf曲线201、202、203）可以通过利用各个参数g_k（分布k的权重因子）、μ_k（分布k的平均值）和σ_k（分布k的标准偏差）的参考分布（例如高斯概率分布）来建模，其中k=1，……，K。因此，k=1，……，K噪声和干扰来源的多模态混合模型可以由参数集合（K；g_k, μ_k, σ_k）描述，k=1，……，K。要指出的是，K噪声和干扰来源可以包括噪声来源（在此，例如k=1）和干扰来源（即“干扰源”）（在此，例如k=2,3）二者。干扰源被调度，而噪声来源没有。

为了对K噪声和干扰来源的干扰场景进行建模，可以生成直方图并且噪声和干扰来源参数可以从直方图得到。直方图可以在传入的噪声和干扰功率样本的基础上生成。为此目的，传入的噪声和干扰功率样本可以被量化到量化水平中并且可以针对每一个量化水平累积其出现，从而形成噪声和干扰功率水平的直方图。图2通过叉圈图示了在传入的噪声和干扰功率样本的基础上获得的总和直方图。另外，图2通过圆圈图示了每一个噪声和干扰来源的直方图。

也就是说，噪声和干扰功率检测器可以实现在UE（或基站中）并且可以被配置成在预定的观察周期期间递送功率样本。为了获得图2的总和直方图（叉圈），这些功率样本被量化到多个量化水平中，例如具有3 dB间隔，如图2中所图示的那样。在预定的观察周期期间针对每一个量化水平累积噪声和干扰功率样本的出现，这导致图2中所示的总和直方图。从图2的总和直方图，可以得到噪声和干扰来源的数目K以及噪声和干扰来源的参数。

如将在下文进一步更加详细地解释的，借助于噪声和干扰来源参数，可以生成所检测到的噪声和干扰来源的干扰调度决策。可以针对每一个输入噪声和干扰功率样本生成该干扰调度决策并且将其转发到被配置成利用该信息的UE的所有实例（例如信道估计（CE）、检测、CQI反馈生成）。

图3A图示了作为具有两个干扰小区C1和C2的动态干扰场景的示例的干扰源调度模式。作为示例，考虑3GPP-LTE下行链路发射。时域被划分成时隙t1，t2，t3，t4，……，其中每一个时隙可以具有例如0.5ms的持续时间。频域可以被划分成载波f1，f2，f3，f4，f5，……，其中每一个载波可以具有例如180kHz的频率范围。每一个物理资源快（PRB）可以占据时间中的一个时隙（例如0.5ms）和频率中的一个载波（例如180kHz）。

图3B图示了作为示例的一个PRB。如图3B中所示，PRB可以占据例如频率中的12个子载波和例如时间中的7个符号。子载波-时隙元素可以被称为资源元素。PRB定义某些物理信道到PRB的资源元素的映射。

返回图3A，第一干扰小区C1可以对应于图2的平均功率μ₂ = -10 dB的噪声加干扰来源（即k=2的第一干扰源）并且图3A的第二干扰小区C2可以对应于图2的平均功率μ₃ = +8 dB的第二噪声加干扰来源（即k=3的第二干扰源）。如图3A中所图示的，第一干扰源可以具有50%调度出现（在t1: f1, f2中；在t2: f2, f3, f4, f5中；在t4: f1, f3, f4, f5中被调度），并且第二干扰源可以具有10%调度出现（在t2: f5中；在t4: f1中被调度）。其它块（诸如例如，在t1: f3, f4, f5中；在t2: f1中；在t3: f1, f2, f4, f5中；在t4: f2中）未被调度。如从图3A显而易见的，干扰源调度可以例如在块的基础上或者例如在子帧的基础上（一个子帧可以由两个连续时隙定义，即由PRB对定义）执行。

这样的动态干扰源调度模式可以强烈地影响核心接收器功能，诸如例如信道估计（CE）、检测和CQI反馈生成功能。作为示例，CE尝试通过对位于如图3A中所图示的较大时间/频率网格上的导频符号进行滤波来生成针对特定块（例如在t3中f3处的PRB）的信道估计。作为示例，包括贡献于t3中f3处的CE的导频符号的时间/频率区可以包括例如在时间中的1至5、特别是3个时隙并且例如在频率中的3至8、特别是5个载波（例如PRB长度）。估计滤波器需要适配于块干扰的变化模式。用于CE的滤波器参数的该适配受如本文所描述的所提出的干扰调度检测以及噪声和干扰来源参数估计方法帮助。

图4图示了用于使用直方图分析来估计当前噪声和干扰来源的数目K和这些噪声和干扰来源的参数的示例性设备400。图4还图示了使用直方图分析来估计当前噪声和干扰来源的数目K和噪声和干扰来源的参数的方法。在下文中噪声和干扰来源参数也将在本文中被称为噪声和干扰源参数。

设备400可以包括被配置成生成所接收的信号s的噪声和干扰功率样本z_n的干扰加噪声功率样本生成单元401。也就是说，噪声和干扰功率样本z_n指示传入的信号样本s_n的干扰加噪声功率。整数n是采样索引。存在实现功率样本生成单元401的许多可能性。作为示例，可以使用所谓的预CE功能（其在常规信道估计之前使用块CRS（小区特定干扰信号）信道估计（CE）），其产生具有在例如1dB的量级的偏置的功率峰值和在例如3到5dB的量级的标准偏差。这可以设定针对干扰加噪声功率估计的目标精度（例如到大约1dB）。

可以将噪声和干扰功率样本z_n传递到出现累积单元402。出现累积单元402在本文中还被称为直方图生成单元。

出现累积单元402可以包括量化和累积功能。噪声和干扰功率样本z_n可以被量化到多个量化水平中并且针对每一个量化水平的噪声和干扰功率样本z_n的出现可以在观察周期内被累积。这样，在一个观察周期期间形成直方图。

直方图量化水平可以是预定的或者可以是可变地可调的。量化水平可以足够密集以为直方图提供足够的统计量。也就是说，量化水平间隔可以被设定以便接近或完全满足针对要解析的概率密度分布图的采样定律。也就是说，视为低通信号的概率密度分布图可以通过直方图（过）采样。作为示例，这是图2中的情况，其中具有3dB间隔的直方图样本（圆圈）表示没有信息损失的混合概率密度（总和pdf）。一般而言，直方图量化间隔可以被设定成等于或小于针对k=1，……，K的min(σ_k)，使得所有相关干扰源（即噪声和干扰来源）可以被解析。

出现累积在预定或可调观察周期内完成。作为示例，输入功率样本的块z_b（例如每PRB功率样本z_n）用于形成直方图。作为示例，一个直方图可以从数目为N的块或子帧生成，其中N是等于或大于1的整数。N倍块长度（或子帧长度）可以因此定义在其内执行功率特定出现累积的观察周期。

作为示例，生成直方图的高效方式可以包括找到每一个输入功率样本z_n的MSB（最高有效位）位置并且针对观察周期的所有输入功率样本z_n对其出现进行计数。例如，12位I/Q信号的24位输入功率样本z_n产生具有例如L=24个样本，69dB动态范围和量化3dB的直方图。

可以将在观察周期期间（例如N个块）在出现累积单元402中累积的直方图H_b传递到被配置成基于所接收的直方图H_b估计噪声和干扰源参数的估计器403。作为示例，估计器403可以生成噪声来源和干扰源                                               的（所估计的）数目。估计器403还可以生成部分噪声概率密度分布图的平均功率μ_k和/或功率标准偏差σ_k（或方差）和/或增益因子g_k。另外，由估计器403生成的噪声和干扰源参数可以包括所接收的信号的噪声和干扰功率样本的噪声和干扰来源分离功率阈值θ_k。可以针对一个观察周期（即每个所接收的直方图）或在多个所接收的直方图的基础上生成这些噪声和干扰源参数，如以下将在“参数追踪”的上下文中进一步解释的那样。

直方图分析可以遵循一般期望最大化（EM）策略：

期望（E）：向噪声和干扰来源k（即向噪声来源和/或干扰源，如果存在的话）指派每一个观察。

最大化（M）：估计噪声和干扰源参数（例如, g_k, μ_k, σ_k和/或θ_k）。

如上文解释的基本EM方案可以使用以下特征：

E-过程（期望）：

直方图样本H_m（m=1，……，M）被用作观察（而不是功率样本z_n）。M是量化水平的数目，m是量化索引并且H_m是（所累积的）出现的次数。H_b可以定义为直方图样本的集合{H_m|m = 1,...,M}。

通过软指派（而不是硬指派）的方式，可以向噪声和干扰来源指派观察（H_m）。软指派可以利用用于向干扰源指派观察的加权函数。硬指派可以向噪声和干扰来源指派量化水平（和从中累积的观察）。以下将进一步通过示例的方式解释用于软指派的特定方案。

M-过程（最大化）：

可以部分地或全部地基于当前噪声和干扰源参数（例如, g_k, μ_k, σ_k和/或θ_k）和参数噪声和干扰模型（例如高斯模型，如已经结合图2提到的那样）来再生成噪声和干扰来源。

可以生成用于向特定噪声和干扰来源软指派观察（H_m）的加权函数v_k。

可以基于观察的软指派再估计噪声和干扰源参数，这产生更新的噪声和干扰源参数（例如, g_k, μ_k, σ_k和/或θ_k）。

要指出的是，估计器403可以输出除以上指定的参数, g_k, μ_k, σ_k和/或θ_k之外的噪声和干扰源参数。作为示例，估计器403可以具有输入，该输入接收在可选的信号功率估计器404中生成的输入信号功率样本p_n。估计器403可以被配置成基于输入信号功率样本p_n并且基于平均噪声和干扰功率μ_k和/或增益因子g_k来生成针对每一个k的平均化SINR。然后，取代于输出平均噪声和干扰功率μ_k和/或增益因子g_k或附加于这些参数，可以生成每一个噪声和干扰来源k的平均化SINR。每一个噪声和干扰来源k的平均化SINR在本文中用γ_k来指代。要指出的是，如果特定噪声和干扰来源k基本上是噪声来源，γ_k是SNR，并且如果特定噪声和干扰来源k基本上是干扰源，γ_k是SIR。

图5图示了基于来自例如一个块或一个子帧（两个块）的观察周期的直方图样本H_m的噪声和干扰源参数获取的示例。在此，作为示例，使用100个输入功率样本z_n。通过峰值检测（例如通过局部最大值搜索）、向噪声和干扰来源硬指派直方图样本H_m（例如通过向噪声和干扰来源k指派覆盖每一个所检测到的峰值周围的几个直方图样本的量化索引子集m(k)），以及通过计算噪声和干扰源参数，例如通过调用平均和标准偏差的定义并且应用适当的缩放来从直方图样本H_m获取第一参数估计（例如, g_k, μ_k, σ_k）：

其中X是输入噪声和干扰源功率样本z_n的功率水平尺度（以dB/log为单位）并且X(m_k)是接近第k个所检测到的峰值的输入功率水平的子集。因此，在所检测到的局部最大值（其被标识为直方图中的噪声和干扰来源k）周围的区（例如几个量化间隔）中的量化索引子集m(k)之上执行针对每一个噪声和干扰来源k的等式（1）中的加和。项sqrt()是指平方根函数。

第一参数估计（例如, g_k, μ_k, σ_k）然后可以例如被用作最终噪声和干扰源参数。然而，如以下将阐述的，第一参数还可以被用作经由参数噪声和干扰来源模型、特别是使用例如高斯概率分布的模型来再生成噪声和干扰来源密度的初步参数。

可以得到针对每一个所标识的噪声和干扰来源k的再生成的噪声和干扰来源密度r_m(k)，例如为

并且通过示例的方式被描绘为图5中的分别针对k=1,2和3的曲线1,2和3。在此，N(m; μ_k, σ_k)可以表示第k个所检测到的峰值周围的输入功率水平的平均μ_k、标准偏差σ_k和子集m(k)的高斯正态分布。也可能使用其它分布，特别是如果关于干扰源场景和/或关于特定干扰源k的参数的附加知识可用的话（然而，要指出，本文所描述的方法特别适用于干扰源场景在UE中完全或几乎未知的情况，即如果基站提供指示干扰源的存在和/或其参数的最小或没有信令的话）。要指出的是取决于直方图的对应局部最大值的高度的增益因子g_k可以用作用于缩放模型分布N(m; μ_k, σ_k)的参数。每一个增益因子g_k指示对应噪声和干扰源来源k的强度。

从再生成的噪声和干扰来源密度r_m(k)，可以得到软指派加权函数v_m(k)，例如为

在图6中分别通过点曲线1,2和3来描绘加权函数用于k = 1的v1，用于k = 2的v2和用于k = 3的v3。

加权函数v1，v2，v3（即针对每一个k=1，……，K的加权因子的集合v_m(k)）然后可以用于通过计算噪声和干扰来源特定加权的直方图来执行观察的软指派（即直方图样本H_m (m = 1,...,M)）。这些噪声和干扰来源特定加权的直方图在图6中分别用wH1，wH2和wH3来标记。加权的直方图wH1，wH2和wH3在本文中还被称为软指派的直方图。

然后可以基于软指派的直方图wH1，wH2和wH3来再估计噪声和干扰源参数。再估计可以以与等式（1）中的相同的方式执行，但是通过用加权的直方图H_m(k)来替代峰值k附近的直方图样本H(m_k)的子集：

因此，在等式（4）中，在所有（加权的）直方图样本之上执行加和（也就是说，可以在所有功率水平m=1，……，M之上执行加和，这与如在根据等式（1）的硬指派分析中使用的仅覆盖所检测到的峰值的每一个周围的几个直方图样本的索引子集m(k)形成对照）。这些第二参数估计（例如, g_k, μ_k, σ_k）比对应的第一（或初步）参数估计更精确。它们可以被视为直方图分析的最终参数估计。

如在将图5（硬指派的直方图）与图6（软指派的直方图）比较时可以看到，平均估计μ_k（其在SINR估计中是主要的兴趣所在）接近与真实平均μ_t,k，并且借助于观察（直方图样本）的软指派，特别地，第二平均估计μ₂已经被极大改善。如果应需要进一步改善精度，另外的迭代（密度函数再生成和参数估计）是可能且可以获得的。

要指出，在图5和6以及在图4中，下标b被添加到所估计的噪声和干扰源参数以便指示对应参数是在一个直方图的基础上得到的，即在一个观察周期（例如N个块）期间。该索引b在等式（1）到（4）中被删除以用于简化标志。

参考图10，图4的估计器403可以例如包括被配置成基于观察周期内的每个量化水平的噪声和干扰功率样本的出现的次数来初步估计干扰源参数的第一估计器单元1001，其中向每一个噪声和干扰来源指派量化水平的预定间隔（参见例如等式（1））。另外，估计器403可以包括被配置成基于初步噪声和干扰源参数以及噪声和干扰来源模型概率分布来估计针对每一个噪声和干扰来源的软指派加权函数v_m(k)的第二估计器单元1002（参见例如等式（2）和（3））。估计器403还可以包括被配置成基于软指派加权函数和观察周期内的每一个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数的第三估计器单元1003（参见例如等式（4））。估计器单元1001、1002和1003可以以软件或以硬件实现，并且例如第一和第三估计器单元1001和1003可以由相同电路实现。

图7图示了用于估计噪声和干扰源参数的设备700。设备700类似于设备400并且对以上描述做出参考以便避免重复。然而，可以添加参数追踪的功能。在图7中，被配置成基于观察周期期间每一个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数的估计器703还可以包括参数评估单元705。参数评估单元705可以被配置成针对每一个噪声和干扰来源k确定其内存在噪声和干扰来源（例如所调度的干扰源）的多个观察周期。参考评估单元705还可以被配置成在多个观察周期内（例如在其内已经检测到存在相应噪声和干扰来源的多个观察周期内）对从估计器403接收的噪声和干扰源参数（其通过一个观察周期内的直方图分析获得）进行平均化。

更特别地，在用于参数追踪的参数评估单元705中，基于观察周期的参数估计（例如, g_b,k, μ_b,k, σ_b,k）和可能地，其它基于观察周期的参数被连续更新以形成长期估计, g_k, μ_k,和σ_k以及可能地其它参数。

根据连续的基于观察周期的估计_b的序列，可以首先检测到干扰场景是稳定的还是对于每一个所检测到的噪声和干扰来源k而改变。如果它是稳定的，可以通过对基于观察周期的参数估计进行平均化来改善长期参数估计。否则，如果场景是改变的（即新的干扰源出现并且旧的那些消失），可以针对新的所检测到的干扰源初始化追踪并且针对消失的那些放弃追踪。

通过选择直方图生成和分析中的短观察周期来更快速地（在几毫秒内）检测到干扰场景中的改变。作为示例，观察周期可以例如如一个或仅几个块周期那样短，其中块周期是调度模式在其内可以改变的最小时基（例如在LTE中一个块是一个PRB）。如果干扰场景是改变的，针对所检测到的新的噪声和干扰来源初始化追踪并且针对消失的噪声和干扰来源放弃追踪。在评估单元705中的块参数估计的后处理上花费比通过估计器403选择直方图生成和分析中的长观察周期更多的“智能”可以是有利的。

图8图示了用于估计噪声和干扰源参数的设备800。设备800类似于设备400和700，并且对以上描述做出参考以便避免重复。另外，设备800可以包括用于干扰调度决策的单元806。用于干扰调度决策的单元806可以具有在块的基础上（或者一般而言，在观察周期的基础上）接收作为例如估计器403的输出的干扰源分离阈值θ_b,k的输入和/或接收作为例如评估单元705的输出的干扰源分离阈值θ_k的输入。干扰源分离阈值θ_k可以是多个观察周期（例如取决于或等于其内检测到存在相应干扰源k的观察周期的数目的多个观察周期）内的θ_b,k的平均值。

作为示例，干扰源分离阈值θ_k可以作为直方图分析的副产品而得到。如图6中所图示的，可以选择邻近加权函数v_m(k)之间的交叉点以定义分离阈值θ_b,k。

用于干扰调度决策的单元806可以输出干扰调度检测样本γ_n。样本γ_n可以由干扰源k的SINR的指示符γ_k给出。在干扰调度决策单元806中输入的干扰源k的SINR的指示符γ_k可以例如通过估计器703（参见例如图9）或通过UE中的另一实例（参见例如图8）来生成。

样本γ_n可以由基于功率样本z_n的硬指派确定。作为示例，如果功率样本z_n落入由与干扰源k相关联的两个长期阈值θ_k定义的范围内，干扰源k的SINR值γ_k可以由干扰调度决策单元806输出为干扰调度检测样本γ_n。长期阈值θ_k可以例如通过如上所描述的参数追踪从基于观察周期的阈值θ_b,k得到。如图8中所示，也可能使用基于观察周期阈值θ_b,k作为用于干扰调度决策单元806中的硬指派的基础。在两种情况中，通过新的阈值参数的出现（新的干扰源变为活动）或者通过旧的阈值参数的消失（和旧的干扰源消逝）来检测网络干扰源调度。要指出的是，如果网络被配置成不向UE发信号通知干扰源调度的信息或者仅向UE发信号通知干扰源调度的不足信息，则这种干扰源调度检测方法特别有效。

图9图示了用于估计噪声和干扰源参数的设备900。设备900可以类似于设备400、700和800，并且对以上描述做出参考以便避免重复。如图9中所图示的，干扰调度检测样本γ_n可以由作为由参数评估单元（参数追踪）705的输出的所检测到的干扰k的长期SINR估计γ_k给出。还可能的是，干扰调度检测样本γ_n可以由估计器403的基于观察周期（例如基于块）的SINR估计γ_b,k给出。在两种情况中，信号功率样本p_n可以被输入到例如估计器403以用于基于均方信号功率的平均|p_n|²与噪声和干扰功率的平均μ_b,k之比来计算SINR估计γ_b,k。长期SINR估计γ_k可以通过例如如上所描述的干扰源单独数目的观察周期内的参数追踪从基于观察周期的SINR估计参数γ_b,k来得到。

干扰调度检测样本γ_n可以指示在时间索引n处的SINR。这些SINR样本然后可以被递送到可以使用这样的信息的UE中的任何实例，例如数据检测、CE、CQI反馈生成等。特别地，本文中的公开包括基于所接收的导频符号和依照以上描述产生的SINR样本γ_n的信道估计。

参考图11，在S1处，一种估计干扰源参数的方法可以包括接收包括噪声和干扰信号贡献的信号。

在S2处，可以生成基于所述信号的噪声和干扰功率样本。可以例如通过预CE噪声功率估计或通过任何其它已知方法执行噪声和干扰功率样本的生成。

在S3处，可以将噪声和干扰功率样本量化到多个量化水平中并且可以在观察周期期间针对每一个量化水平累积噪声和干扰功率样本的出现。该过程也可以被称为直方图生成。

在S4处，可以例如基于观察周期期间每个量化水平的噪声和干扰功率样本的出现的次数估计噪声和干扰源参数。参数估计可以包括直方图分析（例如如图5中图示的硬指派分析I和如图6中图示的软指派分析II）和可选地，如例如图7、8和9中图示的在干扰源特定平均化周期内的参数平均化（即参数追踪）。

在S4处，此外或者可替换地，分析每个量化水平的噪声和干扰功率样本的出现的次数以获取用于向噪声和干扰功率样本指派特定噪声和干扰来源的函数是可能的。

示例

以下示例关于另外的实施例。示例1是一种估计噪声和干扰源参数的方法，所述方法包括接收包括噪声和干扰信号贡献的信号；基于所述信号生成噪声和干扰功率样本；将噪声和干扰功率样本量化到多个量化水平中并且累积观察周期期间针对每一个量化水平的噪声和干扰功率样本的出现；以及基于观察周期期间每个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数。

在示例2中，示例1的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰来源的数目。

在示例3中，示例1或2的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的平均功率。

在示例4中，示例1到3中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的功率方差。

在示例5中，示例1到4中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的权重因子。

在示例6中，示例1到5中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰来源分离阈值。

在示例7中，示例1到6中的任一个的主题可以可选地包括基于观察周期内的每个量化水平的噪声和干扰功率样本的出现的次数来估计初步噪声和干扰源参数，其中向每一个噪声和干扰来源指派量化水平的预定间隔；基于初步噪声和干扰源参数以及噪声和干扰来源模型概率分布来估计针对每一个噪声和干扰来源的软指派加权函数；以及基于软指派加权函数和观察周期内的每个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数。

在示例8中，示例1到7中的任一个的主题可以可选地包括确定针对每一个噪声和干扰来源的其内存在噪声和干扰来源的多个观察周期。

在示例9中，示例8的主题可以可选地包括取决于所确定的相应噪声和干扰来源的多个观察周期在多个观察周期内对噪声和干扰源参数进行平均化。

在示例10中，示例8的主题可以可选地包括其中基于每一个观察周期期间的每个量化水平的噪声和干扰功率样本的出现的次数之上的局部最大值搜索确定噪声和干扰来源的存在。

在示例11中，权利要求1到10中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰来源分离阈值，主题还包括：将噪声和干扰功率样本与噪声和干扰来源分离阈值比较以获得指示特定噪声和干扰来源的比较结果；以及向噪声和干扰功率样本分配特定噪声和干扰来源。

在示例12中，示例7的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰来源分离阈值，并且其中基于针对至少两个噪声和干扰来源的软指派加权函数生成每一个噪声和干扰来源分离阈值。

在示例13中，示例12的主题可以可选地包括将噪声和干扰功率样本与噪声和干扰来源分离阈值比较；以及在比较结果的基础上向噪声和干扰功率样本指派特定噪声和干扰来源。

在示例14中，示例13的主题可以可选地包括基于特定噪声和干扰来源生成针对每一个噪声和干扰功率样本的信号干扰噪声样本。

在示例15中，示例14的主题可以可选地包括其中信号干扰噪声样本是从指派到对应噪声和干扰功率样本的特定噪声和干扰来源的噪声和干扰源参数计算的信号干扰噪声比。

在示例16中，示例1到15中的任一个的主题可以可选地包括基于块小区特定参考信号信道估计函数来生成噪声和干扰功率样本。

示例17是一种用于估计噪声和干扰源参数的设备，其包括被配置成生成所接收的信号的噪声和干扰功率样本的功率样本生成单元；被配置成将噪声和干扰功率样本量化到多个量化水平中并且累积在观察周期期间针对每一个量化水平的噪声和干扰功率样本的出现的出现累积单元；以及被配置成基于观察周期期间每个量化水平的噪声和干扰功率样本的出现的次数估计噪声和干扰源参数的估计器。

在示例18中，示例17的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰来源的数目。

在示例19中，示例17到18中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的平均功率。

在示例20中，示例17到19中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的功率方差。

在示例21中，示例17到20中的任一个的主题可以可选地包括其中噪声和干扰源参数包括噪声和干扰功率样本的权重因子。

在示例22中，示例17到21中的任一个的主题可以可选地包括其中噪声和干扰源参数包括干扰来源分离阈值。

在示例23中，示例17到22中的任一个的主题可以可选地包括其中估计器包括被配置成基于观察周期内的每个量化水平的噪声和干扰功率样本的出现的次数来估计初步噪声和干扰源参数的第一估计器单元，其中向每一个噪声和干扰来源指派量化水平的预定间隔。

在示例24中，示例17到23中的任一个的主题可以可选地包括其中估计器包括被配置成基于初步噪声和干扰源参数以及噪声和干扰来源模型概率分布估计针对每一个噪声和干扰来源的软指派加权函数的第二估计器单元。

在示例25中，示例17到24中的任一个的主题可以可选地包括其中估计器还包括被配置成基于软指派加权函数和观察周期内的每个量化水平的噪声和干扰功率样本的出现的次数来估计噪声和干扰源参数的第三估计器单元。

在示例26中，示例17到25中的任一个的主题可以可选地包括被配置成确定针对每一个噪声和干扰来源的其内存在噪声和干扰来源的多个观察周期并且取决于所确定的相应噪声和干扰来源的多个观察周期在多个观察周期内对噪声和干扰源参数进行平均化的评估单元。

在示例27中，示例17到26中的任一个的主题可以可选地包括其中估计器被配置成基于每一个观察周期期间的每个量化水平的噪声和干扰功率样本的出现的次数之上的局部最大值搜索来确定噪声和干扰来源的存在。

在示例28中，权利要求17到27中的任一个的主题可以可选地包括被配置成将噪声和干扰功率样本与噪声和干扰来源分离阈值比较以获得指示针对噪声和干扰功率样本的特定噪声和干扰来源的比较结果的干扰调度决策单元。

在示例29中，示例17到28中的任一个的主题可以可选地包括其中干扰调度决策单元还被配置成生成针对每一个输入功率样本的涉及特定噪声和干扰来源的信号干扰噪声样本。

在示例30中，示例17到29中的任一个的主题可以可选地包括被配置成基于块小区特定参考信号信道估计函数来生成噪声和干扰功率样本的干扰加噪声功率样本生成单元。

在示例31中的是一种估计噪声和干扰源参数的方法，所述方法包括：基于传入的信号生成噪声和干扰功率样本；将噪声和干扰功率样本量化到多个量化水平中并且累积观察周期期间针对每一个量化水平的噪声和干扰功率样本的出现；以及分析每个量化水平的噪声和干扰功率样本的出现的次数以获得用于向噪声和干扰功率样本指派特定噪声和干扰来源的函数。

在示例32中，示例31的主题可以可选地包括其中函数被配置成如果噪声和干扰功率样本落在与特定噪声和干扰来源相关联的两个噪声和干扰来源分离阈值之间则向噪声和干扰功率样本指派特定噪声和干扰来源。

在示例33中，示例32的主题可以可选地包括其中基于针对特定噪声和干扰来源以及针对相邻噪声和干扰来源得到的加权函数来得到与特定噪声和干扰来源相关联的两个噪声和干扰来源分离阈值。

在示例34中，示例33的主题可以可选地包括其中两个噪声和干扰来源分离阈值基于针对特定噪声和干扰来源得到的加权函数与两个相邻噪声和干扰来源的加权函数的相交。

在示例35中，示例33到34中的任一个的主题可以可选地包括其中得到针对噪声和干扰来源的加权函数包括：基于概率参考分布来估计针对噪声和干扰来源的每个量化水平的噪声和干扰功率样本的出现的次数的概率密度；估计噪声和干扰来源的强度；以及基于针对噪声和干扰来源的所估计的概率密度以及噪声和干扰来源的强度计算针对噪声和干扰来源的加权函数。

在示例36中，示例317到35中的任一个的主题可以可选地包括估计针对噪声和干扰来源的信号干扰噪声比；以及在所述函数的基础上向特定噪声和干扰来源指派所估计的信号干扰噪声比。

此外，虽然可能已经关于若干实现中的仅一个公开的本发明的特定特征或方面，但是这样的特征或方面可以如可能针对任何给定或特定应用而言所期望并且有利的那样与其它实现的一个或多个其它特征或方面组合。另外，在一定程度上术语“包括”、“具有”、“带有”或其其它变型使用在或者详细描述中或者权利要求中，这样的术语意图是以类似于术语“包含”的方式是包括性的。另外，要理解的是本发明的各方面可以实现在作为部分集成电路或全集成电路或编程装置的分立电路中。

尽管本文已经图示和描述了特定方面，但是本领域普通技术人员将领会的是，各种替换和/或等同实现可以替换所示出和描述的特定方面而不脱离于本发明的范围。本申请意图覆盖本文所讨论的特定方面的任何适配或变型。